关键词： 图像处理   运行一体化   边缘检测   AGV系统   自适应检测   霍夫直线变换  

摘要： AGV系统作为一种典型的复杂产品,具有开发周期长、定制成本高、售后服务需求性高等特点。AGV系统通常在工业领域运输元器件生产的任务中表现良好,可以通过系统内部的定位导航实现运输任务的全自动进行。但是,传统AGV系统只能在固定线路上运行而且缺乏灵活性。针对这一问题,提出了一种基于边缘检测的自适应AGV系统。系统基于图像边缘检测等原理进行道路路径的自适应检测,同时结合霍夫直线变换方法,提高了AGV系统的鲁棒性和自适应性,实现了系统的高效协同与联动,有力地推动了AGV系统转型升级。

关键词： 图像处理   可见光与红外光   深度学习   图像融合   多尺度   跨阶段密集连接  

摘要： 针对目前可见光与红外光图像融合过程中的关键细节信息丢失,目标对比度较低的问题,提出一种基于多尺度跨阶段密集连接网络的图像融合算法。通过多尺度卷积与跨阶段的密集连接网络实现双模态图像的特征提取工作,结合CA注意力机制提高模型的融合效果,并以L1范数作为特征融合规则来获取融合特征图,并最终通过解码网络实现图像的重构工作。实验结果表明,在公共数据集TNO中,文中提出的算法在结构相似度、信息熵以及差异相关系数三项指标中获得了最优值,相较于次优值分别提高了4.14%、2.66%、2.59%,在边缘信息度量上取得了次优值,与最优值相差3.3%。综合主客观评价,文中提出的方法可获取高质量的融合图像,具有明显的优势。

关键词： 目标检测   激光雷达   自动驾驶   单阶段  

摘要： 激光雷达目标检测近年来开始借鉴图像目标检测的网络设计,但依然存在计算低效无法满足实时应用以及网络结构简单导致性能不足的问题.为此,提出的网络采用了单阶段无锚框的简洁设计;优化了激光点云体素化表达,在提升计算效率的同时保留了一部分点云高程特征;基于残差网络的思想,设计了更深的主干网络结构用于提取深度特征;引入特征金字塔来提升小目标的检测效果.在公开数据集KITTI上,所提网络的mAP指标在各类别目标的检测中均取得了领先的性能(提高了1%~3%).在自动驾驶计算平台上的运行时间测试表明,所提网络能够达到43 ms/帧的处理速度,满足实时性需求.

关键词： 自动驾驶   目标检测   YOLO算法   深度学习  

摘要： 随着自动驾驶技术的迅速发展,准确高效的目标检测已成为环境感知技术中的关键研究方向。YOLO系列算法作为一种单阶段算法,不仅在自动驾驶中展现了巨大的潜力,还被广泛应用于各个领域。文章首先总结了基于深度学习的目标检测算法,并回顾了YOLO算法的发展历程;然后,概述了目标检测领域常用的评估指标,并讨论了YOLOv1至YOLOv10算法在自动驾驶场景中的应用,重点分析了YOLO算法在交通标志、车辆与行人、路面状态及车道线检测中的应用情况。最后,展望了YOLO检测算法在未来自动驾驶领域的发展趋势及潜在优化方向。

关键词： 图像处理   图像融合   深度可分离卷积   注意力机制   损失函数  

摘要： 在红外与可见光图像融合时,融合后图像常出现显著目标不突出、可见光信息表达不充分的问题,且在亮度不均衡条件下,易出现边缘模糊和局部信息不均衡。因此,提出了结合注意力机制与均衡损失的图像融合算法(DepthwiseSeparable,Squeeze-and-Excitation,andEquilibriumLoss-based Convolutional Neural Network, DSEL-CNN)。首先,使用深度可分离卷积提取图像特征;其次,在融合策略中使用Squeeze-and-Excitation注意力机制来提高有效信息的权重;最后,利用均衡组合损失函数计算融合后图像损失,进行图像信息均衡。与FusionGAN、Dense Fuse和其它4种融合算法在TNO和MSRS公开数据集中进行主客观对比实验,其中互信息值、视觉信息保真度、边缘信息保留指标较其它6种算法分别最高提高了1.033、0.083、0.069,实验结果表明所提算法与6种常用融合算法相比,在融合图像视觉感观、信息含量、边缘和纹理保留方面均有提升。

关键词： 目标检测   计算机视觉   小目标   复杂场景  

摘要： 目标检测作为计算机视觉领域的核心分支,为众多复杂视觉任务奠定了基石。近年来,随着深度学习技术的飞速进步,目标识别能力实现了突破性提升,现已广泛渗透至自动驾驶、智慧交通体系、工业智能化以及医疗影像分析等诸多行业。尽管如此,微小目标识别在图像处理领域仍面临诸多挑战,如像素资源的局限和特征信息的匮乏,使其成为当下科研的热点与难点。特别是在错综复杂的现实环境中,这些微小目标常遭遇遮挡和尺度波动等多重考验,无疑为识别工作增添了额外的复杂性。本文回顾了小目标检测算法的发展历程,对现有算法进行了细致的分类、深入的分析与综合比较。最后,对小目标检测技术的未来趋势进行了展望与探讨。

关键词： 图像处理   深度学习   位姿估计   视觉定位   电力工件  

摘要： 针对当前带电作业领域中缺少深度学习数据集的问题和电力工件位姿预测精度低的问题,自建3种常用电力工件及遮挡场景下的数据集,并提出了基于双重注意力机制的位姿估计算法。首先,为了使模型能够自适应地捕获长距离的依赖关系,采用双重注意力机制来聚集图像的全局特征信息;其次,为了提高注意力机制的特征融合效率,提出基于双重注意力的残差级联模块,通过残差级联形式融合局部与全局特征;最后,通过引入新的约束强化反向传播过程,改进损失函数,减少恢复特征尺寸过程中的信息丢失。使用了自建电力工件数据集的位姿估计实验表明,该算法能提取更丰富的语义信息,基于三维模型点平均距离的准确率达到81.74%,显著提升了预测精度。该方法可提高电力工件位姿估计的性能,为带电作业提供可靠技术支持。

关键词： 智能变电站   多视角巡视   AI巡视   目标跟踪   跟踪系统  

摘要： 为了优化AI巡视视频目标跟踪系统多视角目标的捕捉能力,设计了一种新的智能变电站多视角AI巡视视频目标跟踪系统,对系统硬件和软件进行优化。系统硬件由DSP、视频解码器、视频编码器和控制电路四部分组成,选用TM9053113型DAV媒体专用处理器进行数据处理的同时,采用ADV21839型的视频解码器和DM3344型的视频编码器实现解码和编码。软件部分利用高斯单背景模型进行目标分割,计算代价函数从而实现实时跟踪和连续跟踪。实验结果表明,智能变电站多视角AI巡视视频目标跟踪系统能够精准地捕捉目标,丢失率低于0.1%。

关键词： 高斯模型   光伏电场   无人机巡检   检测方法  

摘要： 目前常规的无人机避障目标检测方法主要采用超声波技术实现对目标轮廓的获取,由于缺乏对图像的形态学处理,导致检测精度较差。对此,提出了基于高斯模型和YOLOv3的光伏电场巡检无人机避障目标检测方法。首先结合混合高斯模型,对巡检图像的前景与背景进行分离处理,并采用滤波算法对前景图像进行去噪处理。然后结合分类损失函数以及位置损失函数,对特征点的梯度值以及方向进行计算,实现障碍物图像的特征提取,最后对提取到的避障目标边缘进行补偿处理,实现避障目标检测。在实验中,对提出的方法进行了避障目标检测精度的检验。最终的测试结果表明,采用提出的方法进行无人机避障检测时,算法的mAP值较高,具备较为理想的检测精度。

关键词： 自动驾驶感知   对抗样本   运动模糊   目标检测   卷积神经网络  

摘要： 在自动驾驶感知系统中,卷积神经网络(CNN)作为关键技术在车辆感知和决策中发挥着重要作用。然而,其面临的对抗样本攻击威胁对自动驾驶系统的安全性和稳定性产生了严重影响。现有的对抗样本生成方法通常直接在图像中添加对抗扰动,导致对抗样本视觉质量下降,伪装性不足,易被人类观察者识别。针对这一挑战,引入交通场景中车辆运动引起的图像模糊先验知识,提出一种运动模糊伪装对抗样本生成方法。通过模拟车辆和行人在移动过程中产生的模糊效应,生成具有运动模糊特征的对抗样本。为了保持图像的运动模糊同时有效实现对抗攻击,设计一种目标隐身的对抗样本损失函数。实验结果显示,在ICDAR公共数据集上,图像检测框数量为0,通过Brenner梯度函数得到的图像模糊度指标为69.28,证明了该方法可以生成运动模糊伪装对抗样本。